K-modes算法与神经网络在教学评价与学习预测中的应用研究

发布时间：2020-11-22 07:16

　　 随着大数据、云计算、人工智能等技术在各高等学校数字化校园、智慧化校园建设的广泛应用。在教育大数据环境下,高校用好这些数据,不仅影响着高等学校整个教育教学体系的有序运行,而且也必将成为助力高等学校推动教育教学体系改革、创新的不竭动力。本文以Y校学生评教数据和学生在线学习数据为研究对象,聚焦教学运行情况和学生自主学习情况,利用基于改进的K-modes算法对课堂教学运行状况进行了聚类分析,利用基于机器学习的神经网络算法对学生在线课程学习情况进行了预测和对比研究,希望能对高校教学管理体系构建和教学管理体系改革、创新提供有意义的参考。主要开展了两项研究工作:一是通过对某高校学生评教数据进行了初步的分析和变换,利用改进的余弦相异度算法对异常评教数据进行了剔除,采用归一化方法对评教数据进行了标准化,采用传统的K-modes算法对评教数据进行了初步的聚类分析,指出其存在的三个方面问题,并基于这三个问题,从聚类族数确定、初始聚类中心确定和聚类距离度量等三个方面对传统的K-modes算法进行了改进,实验结果表明,改进后的算法更合理性和有效性。二是对某高校学生在线学习数据进行规格化处理,建立了基于机器学习的神经网络模型,并对同一门课程同一名教师不同班级、同一门课程不同教师在不同班级、不同课程不同教师不同班级等三种情况进行预测,结果表明模型具有较好的适应性;在此基础上,将该模型与传统的回归分析模型预测结果进行对比,实验结果表明该模型在各项指标上都优于回归分析结果。本文尽管以某高校真实数据为研究对象,对教学运行状态及学生在线学习等两个方面进行了一些有意的探索,也得出了一些有一定参考价值的初步结论,但是由于时间比较仓促,加之个人的能力有限,还没有形成比较系统的软件,后续将会继续开展研究工作,为教学管理者、教师、学生能够及时、准确地掌握真实的教学状况,不断提升教学质量。
【学位单位】：延安大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP183;G642
【部分图文】：

K-modes算法与神经网络在教学评价与学习预测中的应用研究-15-者仍致力于神经网络的研究，极大地助推了神经网络的研究和发展，为今天的神经网络在各个领域的广泛应用和快速发展奠定了坚实的基矗由于神经网络是基于模拟生物神经系统工作的产物，人们经过几十年的研究总结，该网络中的工作单元可分为三种类型，分别称作为输入单元、输出单元和隐单元，其具有非线性、非局限性、非常定性、非凸性等特征，具有自学习功能、联想存储功能和高速寻找优化解的能力等优点[43,44]。目前人们对神经网络的应用主要是基于对人脑的仿真，采用基于机器学习的方法将等处理问题划分为若干个处理单元，通过分布式并行处理机制，使非结构信息和一些感知信息的处理较过去有了质的转变，为神经网络在众多领域的应用开辟了新空间。2.3.2神经网络的基本结构与分类（1）基本结构多层结构由三部分组成，即输入层（Inputlayer）、隐藏层（Hiddenlayer）、输出层（Outputlayer），输入层和输出层通常也称之为交互层，隐藏层通常也称之为处理层，具体如图2-1所示：图2-1神经网络结构示意图Fig.2-1Neuralnetworkstructure输入层（Inputlayer），该层由众多的神经元（Neuron）组成，其作用是用来接收外部大量非线形信息。输入层的信息输入通常是以向量的方式组织的。输出层（Outputlayer），该层的作用将网络接收到的信息经过隐藏层神经元传输、分析、处理形成结果信息输出。输出层的信息输出通常也是以向量方式组织的。隐藏层（Hiddenlayer），有时也称为“隐层”，是输入层和输出层之间所中间对象的总称，因此，隐层可以有多个层，但习惯上仍将其看作是一层。隐藏层的神经输入输出隐藏神经

第二章相关概念与技术-16-元数目及层数通常与具体问题相关联，对于有多个隐藏层的网络而言，它的前一个层的输出就是它的下一层的输入。（2）神经元也称之为神经单元或神经节点，和生物学类似，神经元是构成神经网络的核心，图2-2和图2-3分别展示了神经元的生物结构示意图和网络结构示意图。神经元主要由树突、突触、细胞体和轴突组成，其中树突是输入通道，将其感知到的电位传递至细胞体；神经细胞体一个二态机，当接收到信号量达到或超过预先设置的阈值时被激活，状态为“是”，否则不被激活（被抑制），状态“否”；轴突是传输通道，将神经细胞体产生信号经突触传递到其它神经元。神经元作为神经网络最基本的构件，担负着计算或处理功能，通常以计算函数称为激励函数（ActivationFunction）方式加表示，针对于不同的应用目的其担负的功能也有较大的差异，因此再选择时要十分谨慎。具有代表性的激励函数有：ReLu函数（RectifiedLinearUnitsSigmoid）、双曲正切函数（Tanh）和softmax函数等。图2-2神经元的生物结构示意图图2-3神经元的神经网络结构示意图Fig.2-2NeuronalcellstructureFig.2-3Neuronalstructureinneuralnetworks在图2-3中，xi表示输入信息,wi表示权重,b偏移值（也称为截距）,y表示输出信息，它们之间的关系如下：设掀（2-6）其中这里的掀掀（2-7）掀掀)（2-8）

第二章相关概念与技术-16-元数目及层数通常与具体问题相关联，对于有多个隐藏层的网络而言，它的前一个层的输出就是它的下一层的输入。（2）神经元也称之为神经单元或神经节点，和生物学类似，神经元是构成神经网络的核心，图2-2和图2-3分别展示了神经元的生物结构示意图和网络结构示意图。神经元主要由树突、突触、细胞体和轴突组成，其中树突是输入通道，将其感知到的电位传递至细胞体；神经细胞体一个二态机，当接收到信号量达到或超过预先设置的阈值时被激活，状态为“是”，否则不被激活（被抑制），状态“否”；轴突是传输通道，将神经细胞体产生信号经突触传递到其它神经元。神经元作为神经网络最基本的构件，担负着计算或处理功能，通常以计算函数称为激励函数（ActivationFunction）方式加表示，针对于不同的应用目的其担负的功能也有较大的差异，因此再选择时要十分谨慎。具有代表性的激励函数有：ReLu函数（RectifiedLinearUnitsSigmoid）、双曲正切函数（Tanh）和softmax函数等。图2-2神经元的生物结构示意图图2-3神经元的神经网络结构示意图Fig.2-2NeuronalcellstructureFig.2-3Neuronalstructureinneuralnetworks在图2-3中，xi表示输入信息,wi表示权重,b偏移值（也称为截距）,y表示输出信息，它们之间的关系如下：设掀（2-6）其中这里的掀掀（2-7）掀掀)（2-8）
【相似文献】

相关期刊论文 前10条

1 白亮;梁吉业;曹付元;;基于粗糙集的改进K-Modes聚类算法[J];计算机科学;2009年01期

2 李仁侃;叶东毅;;粗糙K-Modes聚类算法[J];计算机应用;2011年01期

3 林红阳;杜翼;刘林;易杨;蔡菁;马汉斌;;基于动态层次K-Modes的电网数据聚类分析[J];四川电力技术;2019年06期

4 曹文婷;邹海;段凤玲;;基于模糊K-Modes和免疫遗传算法的聚类分析[J];计算机技术与发展;2009年02期

5 张小宇;梁吉业;曹付元;于慧娟;;基于加权连接度的改进K-Modes聚类算法[J];广西师范大学学报(自然科学版);2008年03期

6 张伟;周霆;陈芸;邹汉斌;;动态的模糊K-Modes初始化算法[J];计算机工程与设计;2006年04期

7 梁吉业;白亮;曹付元;;基于新的距离度量的K-Modes聚类算法[J];计算机研究与发展;2010年10期

8 赵亮;刘建辉;张昭昭;;基于贝叶斯距离的K-modes聚类算法[J];计算机工程与科学;2017年01期

9 肖力;BP学习算法及其收敛速度的改进[J];微计算机应用;2003年04期

10 吕宏伯，黄铮，张方;神经网络BP算法的一种改进[J];北京工业大学学报;1995年01期

相关博士学位论文 前10条

1 姚赛;两类新型神经网络及其在非线性系统控制中的应用[D];东北石油大学;2015年

2 吴静;入侵检测中神经网络融合学习方法的研究[D];吉林大学;2010年

3 江沸菠;基于神经网络的混合非线性电阻率反演成像[D];中南大学;2014年

4 陆婷;进化回归神经网络的研究及应用[D];华南理工大学;2003年

5 杨文宇;利用状态函数导数的脉冲神经网络新算法[D];大连理工大学;2013年

6 王洪燕;基于神经网络的进化机器人行为集成方法的研究[D];合肥工业大学;2000年

7 艾芳菊;模糊神经网络的结构优化研究[D];中国科学院研究生院（成都计算机应用研究所）;2006年

8 向直扬;竞争学习神经网络的广义训练理论、算法及应用研究[D];湖南大学;2017年

9 肖理业;基于机器学习的电磁场建模与设计研究[D];电子科技大学;2019年

10 陈涵瀛;核电站热工水力系统工况预测与诊断方法研究[D];哈尔滨工程大学;2018年

相关硕士学位论文 前10条

1 崔桓睿;K-modes算法与神经网络在教学评价与学习预测中的应用研究[D];延安大学;2020年

2 刘逗逗;基于动态权重的k-modes聚类算法[D];延安大学;2020年

3 陈彩棠;相异度量的k-modes聚类算法研究[D];太原理工大学;2012年

4 贾彬;K-Modes聚类算法优化研究[D];北京工业大学;2019年

5 赵月娇;基于生物地理优化算法的神经网络故障诊断方法研究[D];东北石油大学;2013年

6 宋禄杉;基于蜂群算法优化的神经网络在异步电机的故障诊断研究[D];中北大学;2018年

7 李成;OFDM系统中基于神经网络的定位跟踪算法研究[D];西安邮电大学;2013年

8 王允霞;蜂群算法的研究及其在人工神经网络中的应用[D];华南理工大学;2013年

9 刘宏刚;基于神经网络的室内定位算法的研究与实现[D];北京工业大学;2017年

10 张婧;基于粒子滤波和神经网络的行人跟踪算法研究[D];大连交通大学;2014年

本文编号：2894329